Content Based Image Retrieval

aus Wikipedia, der freien Enzyklopädie
Zur Navigation springen Zur Suche springen

Unter Content Based Image Retrieval (CBIR) versteht man eine inhaltsbasierte Bildersuche. Alternative Bezeichnungen sind query by image content (QBIC) und content-based visual information retrieval (CBVIR). Dabei handelt es sich um ein Spezialgebiet der Bildverarbeitung und des Wiederauffindens von Information (Information Retrieval) in großen Datenbanken.[1][2]

„Inhaltsbasiert“ (content based) bedeutet dabei eine Analyse des aktuellen Inhaltes eines Bildes, also der Farben, Umrisse, Oberflächen (Texturen) oder anderer Informationen (sogenannte Merkmalsvektoren), die über eine automatische Bildverarbeitung ermittelt werden können.[3] Die Aufgabe der Bildersuche ist es, eine Liste vorhandener Bilder so zu sortieren, dass die gesuchten Bilder (etwa anhand eines Referenzbildes) möglichst weit vorne stehen. Bilder werden anhand ihrer Ähnlichkeit zum Referenzbild sortiert, die sich durch eine Distanzfunktion und die Merkmalsvektoren der Bilder bestimmt.[4] Ein Qualitätsmaß beurteilt die Sortierung, die maßgeblich von der Wahl der Merkmalsvektoren und des Ähnlichkeitsmaßes abhängt.

Im Gegensatz zur inhaltsbasierten Suche steht die „schlagwortbasierte“ oder „textbasierte“ Bildersuche, bei der eine Beschreibung des Bildes erfolgt (bspw. welche Personen sichtbar sind, welcher Gegenstand abgebildet ist oder die Koordinaten der Bilder).

Die inhaltsbasierte Bildersuche wird angewandt für Bilderdatenbanken, im Bereich der medizinischen Bildverarbeitung[5] und bei der Suche nach Plagiaten (Near Duplicate Detection).

Im Bereich der Websuchmaschine, wird je nach Anbieter auch von „reverser Bildersuche“ (reverse image search) oder einer „visuellen Suchmaschine“ (visual search engine) gesprochen.[6]

Siehe auch[Bearbeiten | Quelltext bearbeiten]

Weblinks[Bearbeiten | Quelltext bearbeiten]

Einzelnachweise[Bearbeiten | Quelltext bearbeiten]

  1. Content-based Multimedia Information Retrieval: State of the Art and Challenges (Memento des Originals vom 11. August 2017 im Internet Archive)  Info: Der Archivlink wurde automatisch eingesetzt und noch nicht geprüft. Bitte prüfe Original- und Archivlink gemäß Anleitung und entferne dann diesen Hinweis.@1@2Vorlage:Webachiv/IABot/www.cs.sfu.ca (PDF; 169 kB), Michael Lew et al., ACM Transactions on Multimedia Computing, Communications and Applications, Vol. 2, No. 1, February 2006, pp. 1–19.
  2. Image Retrieval: Ideas, Influences, and Trends of the New Age, Ritendra Datt, Dhiraj Joshi, Jia Li, James Z. Wang, ACM Computing Surveys, Vol 40(2), Article 5, April 2008.
  3. Visual Information Retrieval using Java and LIRE, Mathias Lux, Oge Marques, Synthesis Lectures on Information Concepts, Retrieval, and Services 2013 5:1, 1–112
  4. Jing Huang, S. Ravi Kumar, Mandar Mitra: Combining supervised learning with color correlograms for content-based image retrieval. In: MULTIMEDIA '97 Proceedings of the fifth ACM international conference on Multimedia. ACM, New York, NY, USA 1997 (ACM, PDF).
  5. A review of content-based image retrieval systems in medical applications—clinical benefits and Future Directions, Henning Müller et al., International Journal of Medical Informatics, Vol 73(1), pp. 1–23, 2004.
  6. Joshua Lockhart: Top 6 Visual Search Engines for finding the image you want. makeuseof.com, 1. Mai 2013;.